面向高速公路匝道合并的观测扰动下的容错MARL
机器人学
2025-12-01 v1 机器学习
系统与控制
系统与控制
摘要
多智能体强化学习(MARL)对于实现连接和自动驾驶车辆(CAVs)之间的合作驱动具有巨大的潜力。然而，其实际应用受到一个关键限制s的制约，即对观测故障s的容错性不足。此类故障s以车辆感知数据的扰动形式出现，可能显著损害MARLs基于的驾驶系统s的性能。针对这一问题，提出了两个主要挑战s。一个是生成有效应力测试策略s的对抗性扰动s，另一个是为车辆s提供抵消受损观测s影响的能力。为克服这些挑战s，我们提出了一种用于协作匝道车辆s的容错MARL方法，包含两个关键智能体s。首先，一个对抗性故障注入智能体s在训练期间生成主动挑战和加固车辆策略s的扰动s。其次，我们设计了一个具备自诊断能力s的容错车辆智能体s，该智能体s利用车辆状态序列s中固有的时空相关性s来检测故障s并重建可信观测s，从而为策略s提供干护。模拟实验表明，我们的方法在各种观测故障s模式下均显著优于基准MARL方法s，实现了接近无故障s的安全性和效率水平。
引用
@article{arxiv.2511.23193,
title = {Fault-Tolerant MARL for CAVs under Observation Perturbations for Highway On-Ramp Merging},
author = {Yuchen Shi and Huaxin Pei and Yi Zhang and Danya Yao},
journal= {arXiv preprint arXiv:2511.23193},
year = {2025}
}